Supply Chain Analytics en IoT Loom Large in Wake of 2020 Disruption

Bedrijven hebben meer flexibiliteit en veerkracht nodig in supply chains en logistiek om te slagen. Dit heeft ondernemingen ertoe aangezet om nieuwe technologieën te overwegen om de weg te vergemakkelijken.

Tot de kandidaten behoren Internet of Things (IoT), infrastructuurautomatisering, kunstmatige intelligentie (AI) en geavanceerde supply chain-analyses. Kandidaten zoals Application Programming Interface (API)-integratie en digitale supply chain-tweelingen doemt ook op aan de horizon.

De belangstelling voor deze technologieën is toegenomen gezien de wereldwijde pandemie van het coronavirus, hoewel ze al voet aan de grond hadden in supply chain management voordat COVID-19 ontstond. Verdere verankering van deze technologieën in IT-omgevingen vereist het identificeren van de beste kansen voor toepassingen.

Onderzoeksgroep Gartner merkte een uitgebreide IoT-penetratie op in een onderzoek uit 2019 naar de impact van digitale bedrijven op de toeleveringsketen. Terwijl datzelfde rapport het internet der dingen in de minder dan geroemde Gartner-trog van desillusie wierp, zijn er tekenen dat het weer in de gunst begint te komen. Volgens de Gartner supply chain-enquête had 59% van de respondenten IoT gedeeltelijk of volledig geïmplementeerd in hun organisaties, terwijl 15% van plan was binnen twee jaar in IoT te investeren en 22% pilots had opgezet. Die gegevens komen ook overeen met recente gegevens uit de 2020 IoT Adoption Survey van IoT World, waaruit bleek dat 51% van de respondenten een grotere behoefte aan digitale initiatieven, waaronder IoT, aangaf.

Volgens Amber Salley, directeur en analist van Gartner, is IoT tegenwoordig belangrijk omdat opkomende supply chain-technieken de nieuwste en meest nauwkeurige gegevens nodig hebben. Die behoefte aan nieuwe gegevens was acuut voordat een wereldwijd handelsconflict ontstond en voordat COVID-19 toesloeg, en nog meer in hun kielzog.

"Post-COVID-flexibiliteit van de toeleveringsketen gaat niet noodzakelijkerwijs over een verschuiving in de vraag, maar eerder over een verschuiving in consumptie", zei Salley, verwijzend naar het voorbeeld van toiletpapier uit maart 2020 dat onverwacht nodig was voor een groter aanbod in de winkelschappen en minder in kwantiteit op vrachtwagens op weg naar kantoren en openbare instellingen.

Dit is een tijd waarin dit soort leveringsbeslissingen snel moeten worden genomen en effectief moeten worden uitgevoerd, op een zeer gedetailleerd niveau. "Bedrijven proberen snel te reageren", zei Salley. "Ze moeten weten hoe ze het beste kunnen toewijzen welke winkels wat krijgen."

Toeleveringsketens verstoord door COVID-19

Leiders in de toeleveringsketen ordenen nu technologische keuzes voor de lange termijn, zelfs als ze worden geconfronteerd met de directe uitdaging van omgekeerde bedrijfsmodellen en -processen. AI-georiënteerde machine learning-tools zijn hier een goed voorbeeld van en bieden veelbelovende voordelen voor de toeleveringsketen, waaronder beslissingsondersteuning, realtime activabeheer, voorraadoptimalisatie en preventieve onderhoudsplanning.

Zoals Salley uitlegt, kan het moeilijk zijn om ruis en data te scheiden bij het nemen van beslissingen over de toeleveringsketen, vooral in een chaotische omgeving. Hier spelen machine learning-tools een rol, maar de nauwkeurigheid van gegevens is van het grootste belang.

"Machine learning voor patroonherkenning kan helpen", zei ze. “Tegenwoordig zien we dat veel bedrijven dergelijke software gebruiken voor hulp bij het voorspellen van de vraag. Maar de uitdaging met machine learning is dat er veel gegevens van zeer goede kwaliteit nodig zijn om de juiste patronen te zien en nauwkeurig voorschrijvend te zijn.”

Veel organisaties hebben niet het enorme volume dat ze nodig hebben om met machine learning te werken, hoewel ze misschien genoeg hebben voor een individueel gebruik, zei Salley. Bovendien, hoewel leveranciers de voordelen van machine learning en AI als geheel aanprijzen, is deze technologie gebruiksspecifiek. "Je kunt niet gemakkelijk van het ene gebruiksscenario of domein naar het andere verwijzen", zei ze.

IT-professionals kunnen ook niet gemakkelijk navigeren door de overvloed aan supply chain-analysetools die zijn bedoeld voor hun gebruik. Spelers met expertise op het gebied van supply chain-software en machine learning zijn onder meer:​​Anaplan, Blue Yonder, DHL Supply Chain, EY Supply Chain and Operations, IBM, John Galt, LLamasoft, Logility en SAP.

Nu IoT-apparaten een grotere rol gaan spelen bij het monitoren van de toeleveringsketen, maken ook belangrijke cloud- en machine learning-spelers zoals AWS, Google en Microsoft deel uit van dit landschap. De cloudleiders werken samen met Accenture, Cognizant, Pluto7, TensorIoT en andere specialisten om de analytische verwerking van de toeleveringsketen af ​​te stemmen op specifieke gebieden.

Analytics die achteruit kijken, niet vooruit

Hoewel veel supply chain-professionals zijn opgegroeid met statistische modellen om activiteiten te analyseren, is er meer nodig, zegt Jeanette Barlow, vice-president van IBM Sterling Supply Chain, en merkt op dat statistische modellen tot op zekere hoogte het meest geschikt zijn om achteruit te kijken

“Ze leren van de geschiedenis en geschiedenis is een goede indicator. Maar er gebeuren dingen die de geschiedenis veranderen. Er is geen jaar geweest zoals dit jaar om dat te illustreren,” zei ze.

Het afgelopen jaar is inzicht in waar de voorraad zich bevindt alleen maar belangrijker geworden. Barlow zei dat de IBM Sterling-groep de cognitieve AI-mogelijkheden van IBM Watson gebruikt om teams te helpen bij het schalen van gegevenscorrelaties. Dergelijke technieken zijn belangrijker geworden naarmate het IoT is toegevoegd aan de massa aan gegevens die in beperkte tijdsbestekken moeten worden beoordeeld.

Fundamentele technologieën voor supply chain IoT

Hoe klaar bedrijven zijn om geavanceerde machine learning toe te voegen aan de toeleveringsketen, hangt mogelijk af van waar ze op weg zijn naar digitalisering.

Diverse technologieën stellen hen in staat om wendbaarder te worden; met welke technologie ze beginnen, hangt af van het technische volwassenheidsniveau van de organisatie, volgens Alex Pradham, productstrategieleider bij John Galt Solutions, dat het Atlas Planning Platform biedt voor geautomatiseerde machine learning in supply chain-toepassingen. "Sommige bedrijven hebben nog steeds meer fundamentele technologieën nodig", zei ze.

Ook Pradham ziet significante verschuivingen in kanalen en koopgedrag. Dit zet bedrijven ertoe aan om nauwkeurigere plannen voor kortetermijnhorizons te eisen. Ze suggereert verlagingen van de kosten van IoT-sensoren en de voordelen van het verzamelen van ultraverse gegevens kunnen helpen bij het plannen van activiteiten, aangezien voorraden steeds vaker moeten worden vernieuwd.

Het verkrijgen van hoogwaardige gegevens is een belangrijke eerste stap, beaamt John Traynor, vice-president en algemeen manager bij AI-specialist TensorIOT. Nuttige analyses kunnen zo simpel zijn als gewone voortschrijdende gemiddelden, zei hij, maar het hebben van gegevens is essentieel.

“Mensen zijn uiteindelijk op zoek naar een manier om de operationele efficiëntie te verbeteren. Het kan gewoon een zicht op operaties zijn. [Maar] je moet beginnen met geldige gegevens," zei Traynor, herinnerend aan het beproefde adagium voor computerontwerp "GIGO" (of "Garbage in, garbage out").

Om dat doel te bereiken, heeft het bedrijf onlangs samengewerkt met AWS en chipmaker Semtech om het verzamelen van digitale gegevens een vliegende start te geven, door een kit te creëren die LoRa-netwerkapparaten (lange afstand) verbindt met native AWS-services voor het volgen van activa en slimme bouwservices.

API-integratie voor toeleveringsketens

Volgens Prasad Satyavolu, chief digital officer voor logistiek en productie bij Cognizant, komen er nieuwe categorieën systemen op die gebruikmaken van IoT om de mogelijkheden voor data-acquisitie te automatiseren en te verbeteren. Het bedrijf heeft onlangs ingestemd met de overname van tech-serviceprovider Bright Wolf om de dekking van IIoT-applicaties uit te breiden, inclusief opbrengstoptimalisatie.

"Nu kunnen systemen IoT gebruiken voor data-acquisitie om zichtbaarheid van delen van de gehele supply chain te creëren", zei hij. Een nog groter voordeel zijn externe gegevens die in planningssystemen kunnen worden geïntegreerd. In die context noemde Satyavolu de integratie van de applicatieprogrammeerinterface (API) als een belangrijk technologisch ingrediënt in de huidige supply chain-innovaties.

In de afgelopen maanden, merkte Satyavolu op, hebben verschillende productiebedrijven gegevens van het Johns Hopkins Worldwide Dashboard opgenomen voor statistieken over de COVID-19-pandemie. "Je gebruikt dat als een API en brengt het terug in systemen om inzicht te krijgen in de wereldwijde 'staat van de vakbond'", zei hij. Dit heeft aanzienlijk geholpen bij de productieplanning.

Digitale tweelingen voor de toeleveringsketen 

Reken wat Gartner de 'digitale supply chain-tweeling' noemt als een nieuwe technologie om in de gaten te houden, ook al staat deze nog in de kinderschoenen.

De analistengroep definieert de digitale supply chain-tweeling als een "dynamische, realtime en in de tijd gefaseerde weergave van de verschillende associaties tussen de data-objecten die uiteindelijk bepalen hoe de fysieke supply chain werkt." Als zodanig lijkt het op en verschilt het van aspecten van tools voor het beheer van de levensduur van producten, simulatiesoftware en statistische modellen - evenals, wat dat betreft, de robot die door tsunami-beschadigde reactoren kruipt in de ontmantelde kerncentrale van Fukushima in Japan.

Het gebruik van digitale tweelingen voor de supply chain kan magazijnactiviteiten en voorraadniveaus simuleren en een testbed bieden voor wat-als-analyse van verschillende supply chain-scenario's. Volgens Salley's inschatting omvat de digitale supply chain-tweeling een model dat is gebouwd met behulp van gegevens die zijn verzameld uit de daadwerkelijke supply chain-omgeving om activiteit te spiegelen. Weer en andere externe gegevens kunnen in de modellering worden opgenomen.

Voorlopig zijn de softwaretypes die betrokken zijn bij het bouwen van een digitale tweeling voor de supply chain divers. Afgezien van de pijlers van de toeleveringsketen, zijn leveranciers zoals Ansys, Dassault, GE, MathWorks, PTC, Siemens en anderen op jacht.

Het implementeren van digitale tweelingtechnologieën in de toeleveringsketen begint met het identificeren van problemen en het kiezen van een kandidaat om als eerste aan te pakken. Het aanpakken van een bekend zakelijk probleem is een goed begin, adviseren Salley en anderen. Ze zei te verwachten dat tweelingprojecten in de digitale toeleveringsketen op kleine schaal zullen beginnen om de technologie en use-cases te bewijzen.

Salley waarschuwde ook dat legacy-systemen deze nieuwe methoden niet vanzelf overnemen. Er kan wat nieuwe infrastructuur nodig zijn.

"Een probleem is dat de digitale supply twin een recentere infrastructuur nodig heeft", zei Salley. Als voorbeeld wees ze op het gebruik van opkomende grafische databases, in tegenstelling tot relationele databases, om de complexe onderlinge verbindingen tussen netwerkobjecten in de toeleveringsketen in kaart te brengen.

Net als bij machine learning is het bij digital twins een noodzaak om het systeem te voorzien van goede gegevens. Salley zei dat de voordelen van digitale supply chain-tweelingen voortkomen uit gegevens van "hoge granulariteit en lage latentie. En daar komt vooral IoT om de hoek kijken.”

Geïnformeerd door het streamen van IoT-apparaatgegevens, kunnen supply chain-managers van tevoren worden gewaarschuwd dat een assemblagelijn op het punt staat uit te vallen, waar onderdelen nodig zijn om de lijn draaiende te houden, of waar de productie kan worden verschoven om de productie van de lijn aan te vullen - allemaal bekende productielijnen scènes van de laatste tijd.

De vragen die supply chain-, operations- en IT-managers tegenwoordig stellen, worden gedreven door de "verlangen om meer digitaal te zijn", zei Salley. "Er zal altijd wel wat hinder zijn." De noodzaak is nu om met technologie en mensen te werken om een ​​betere zichtbaarheid, wendbaarheid en veerkracht te krijgen - en om de juiste beslissingen te nemen, zelfs onder druk.